前言

合并数据框有重复匹配时通常会返回所有的匹配，如何只保留匹配的第一行呢？其实这个需求也很常见。如芯片探针ID和基因ID往往多对一，要合并ID对应矩阵和芯片表达矩阵时。

数据例子

data = data.frame(id = c(1,2,3,4,5),
                  state = c("KS","MN","AL","FL","CA"))
scores = data.frame(id = c(1,1,1,2,2,3,3,3),
                    score = c(66,75,78,86,85,76,75,90))

数据长这样：

想要这样的结果：

错误的尝试

试了不少方法，以下都是达不到需求的：

dplyr::left_join(data,scores,by="id")
dplyr::inner_join(data,scores,by="id")
dplyr::left_join(data, scores, by="id", match="first") 

merge(data, scores, by = "id")
dplyr::semi_join(data, scores, by = "id") 

#distinct去重
dplyr::left_join(data, dplyr::distinct(scores, id, .keep_all = T))
data %>% dplyr::left_join(dplyr::distinct(scores, id, .keep_all = T)) %>%
  tidyr::replace_na(replace = list("score"=0L)) #替换na

正确方法

通过网上查找，找到了如下实现方式：

方法1

require(data.table)
setDT(scores); setDT(data) # convert to data.tables by reference
scores[data, mult = "first", on = "id", nomatch=0L]

#注意两者顺序
data[scores, mult = "first", on = "id", nomatch=0L] #达不到要求

方法2

merge(data, aggregate(score ~ id, data=scores, head, 1), by="id")

方法3

merge(data, scores[!duplicated(scores$id),], by="id")

方法4

#Return also those which found no match
tt <- cbind(data, score=scores[match(data$id, scores$id),"score"])
#Return only those which found a match
tt[!is.na(tt$score),]

总结

个人最钟意第一种方法，因为data.table真的适合处理大数据，相比于join和merge等快了不少，几千万个基因探针我用join处理的话要很久很久，而且占的内存超级大。data.table几分钟就处理完了。

不过data.table的语法感觉怪怪的，所以一直没去学，看来要好好学习一下了。